科技猎机器学习如何推进医疗服务质量测量的发展
本文来源于healthdatamanagement.com，作者Nancy McMillan；由亿欧编译。
质量测量已成为医疗体系的重要组成部分。 但是，要确保这一新测量是有效的，可靠的以及有据可依的，这就需要大量的时间和劳力。 使用机器学习和自然语言处理的高级算法可以帮助测量开发人员大大减少研究时间，并在人类可能会遗漏的证据基础上发现测量模式。
这种 自动化 最终也可能帮助医疗机构根据自己的研究和数据进行自我完善。
在过去几年里，包括医疗保险与救助中心在内的公共和私人 医疗保健 投资者已经走向了以价值为基础的购买模式，在这种模式下，医疗服务从业者通过他们所取得的成果而不是提供的服务量来获得评估和薪水。质量测量项目提供了一个非常客观的工具，可以评估和追踪从业者的绩效，并推动改进，从而取得更好的病人恢复结果或者降低医疗成本。
为了使这一愿景成为现实，医疗保健投资者需要确保质量测量是有效的，可靠的，并且基于强大的科学证据。 为了开发每一个测量，研究人员必须找出并评估就每个主题都发表出来的相关研究，这一过程被称为环境扫描。
这意味着通过国家医学图书馆，以及其他图书馆（包含数百万个现存文件，而且数量还在日益增长的语料库）提供的政策文件，研究结果和摘要信息搜索关键字。然后，研究人员必须评估所有返回的文章，以为测量开发找到最相关，可靠和有用的文章。这一过程中，每一个测量都需要数百个人力。
这就是机器学习可以大显身手之处。 使用机器学习和自然语言处理的高级算法可以加速审查科学研究，可以使大型知识数据库能够帮助研究人员和临床医师，而且这数据库对他们来说都是可用的。
质量测量有几种不同的类型。 美国卫生健康研究与质量机构（AHRQ）明确了以下三种测量类型：
①结构性测量着眼于组织的系统，能力和流程，例如从业者与患者的比例，实体设施和设备，他们对员工和培训项目的专业知识。
②过程测量侧重于提供的护理，其中包括治疗，预防性服务，诊断和医护人员为保持或改善患者的健康而采取的其他行动。
③结果测量侧重于服务或治疗对患者健康状况的影响，如发病率，死亡率，并发症或治疗条件的改善/恶化。
在结构-过程-结果模式中，做出的假设是有效的结构能够带来良好的过程，良好的过程增加了积极结果的可能性。测量开发人员在设计质量测量并确定合适目标时，他们会寻找这些证据链接。
大部分质量测量——特别是与结果和过程相关的测量——可以分为标准化分子式。这些测量用百分比表示，分母是目标人群，分子是测量焦点（我们要测量的过程或结果）。
例如：
测量焦点=急诊次数
目标人群=哮喘患者
在这个例子中，我们用一段时间内的急诊数量除以在医护人员照料下的哮喘病患总数，以此确定在那段时间内急诊室中哮喘患者的比例到底是多少。
然后，这一测量定义了变革观（或质量构造），即医护人员所采取的旨在改变分子式中分子的行动。对于哮喘患者而言，这可能是为了更好的长期维持而开出药物。对于结果测量而言，质量测量提供了一种预测，当采取某种行动时（在这种情况下开出特定的药物），结果将会有积极的变化（即急诊次数有所减少）。
过程测量具有相似的结构，但是，它是试图衡量医护人员实施被定义为最佳实践的流程的程度。护士为头部创伤患者提供合适的出院须知的时间比例是多少？现在，50岁以上的患者在结肠镜检查中的比例是多少？
精心设计的质量测量为医护人员提供了循证目标，以评估其绩效，并帮助他们确定改进机会。测量开发人员使用现有的证据基础来制定合适的目标，并确保测量支持基于有效研究的最佳实践。
质量测量的高度结构化格式使他们成为机器学习的理想目标。 机器学习是 人工智能 的一种类型，这种人工智能使用分类算法对大量的数据进行分类以及检测模式。自然语言处理使得算法能够“读取”和“理解”以自然（人类）语言编写的文档。计算机程序一起使用这两种方法，它被设计用于从科学文献中提取知识。
这正是机器学习加快医疗质量测量发展过程的方式。 该程序并不是进行简单的关键字搜索，而是扫描文档的内容，以确定哪些文档与回答当前问题最相关。
对于测量发展而言，它必须搜索包含医疗测量要素的文档：例如过程或结果，目标人群和变更动因或机会。最有价值的文档不仅包含以上三种要素，还包括能让研究人员得出有效结论的定量实证：例如，“当II型糖尿病患者每日增加30分钟的有氧运动（变更动因）时，患者（目标人群）减少了（变更方向）他们血糖升高30％的天数。”
使用关键词搜索来查找这些相关性会反馈许多关于目标人群的文章，通过这些文章，测量开发人员必须进行手动搜索，然后制定指导方针。 人工智能可以大大加快环境扫描这一部分的过程，通过确定更有针对性的一组文献，并提供有关文章的测量开发人员的摘要信息，会将研究时间从几个月或几年缩短到几天或者几个小时。
为了解决测量发展的问题，利用基于本体的类别和原理的程序可以应用于构建一个能够提取意义的知识库。被称为“三元组”的原理可以使程序能够在可用于测量开发的数据中找到联系。例如，“对于在医院的患者来说（目标人群），医院护理人员洗手（变更动因）会降低葡萄球菌的传播（结果）。”
对于测量开发人员而言，这些程序可以快速地对相关文献的正文进行整理，并创建一个客观事实数据库。然后，开发人员可以利用本体论来确定这些事实之间的关系，并将其映射到质量测量的基本结构上。
测量开发人员仍需审查所提取的知识，评估结论，做好实际测量的编写工作。但是， 利用人工智能进行环境扫描可以将测量开发中最费力的部分简化为人力完成这一过程所需的一小部分时间。通过与机器学习的合作，行业不仅可以使测量发展的更快，而且还可以确保测量是以可用的最佳证据为基础。
2017年8月25日，亿欧智库正式发布《2017人工智能赋能医疗产业研究报告》，该报告总结八大应用场景，从产品形态、业务模式、公司现状等角度对各场景进行深度解析，进而对我国医疗人工智能公司宏观数据和巨头企业布局进行盘点，最后提出“人工智能+医疗”未来发展机遇与挑战。了解更多报告内容，请点击： 《2017人工智能赋能医疗产业研究报告》
